融合多特征的禁停區域車輛檢測方法

穆春陽 馬 行 張盼盼

（北方民族大學信息與通信研究所，寧夏 銀川750021）

0 引言

消防通道在突發事件發生時具有重要的疏散或補救作用，是生命通道，雖然法令禁止私人占用這些區域，但是由于突發事件發生的概率較低，因此平時這些區域處于閑置狀態，其重要性常常被忽視。縱觀我國重大火災事故現場，由于消防通道亂停亂放的現象，造成消防車不能及時到達，從而引發嚴重火災事故的情況屢見不鮮。針對類似問題，本文設計一種用于禁停區域車輛違章停車的檢測算法，以提高消防通道的疏散作用。

常用的運動目標檢測方法有光流法、幀間差法和背景差分法。光流法雖然能夠提供物體運動和三維場景信息，但是計算量較大，實時性能較差。幀間差法容易實現，但是檢測的目標對象內部容易出現空洞，如果不對行人和其他非機動車輛等目標進行濾除，將會干擾檢測的效果。背景差分法與幀間差法也常與高斯模型相結合才能達到較好的效果。

1 算法總體設計

本文設計的禁停區域違章車輛實時檢測算法從整體上可以分為以下幾個部分：

（1）建立背景。為了提高算法的運算速度和檢測效率，在視頻圖像上選取確定的區域作為檢測的范圍，然后利用高斯混合模型(GMM)建立場景的背景。

（2）背景差分法檢測運動目標。采用背景差分法檢測出運動對象，其中包括進入檢測范圍內的行人、自行車等運動對象。

（3）多特征篩選。對檢測到的運動目標進行Hough變換，利用車輛的團塊特征及車輪的圓形度，將干擾目標排除。

（4）目標跟蹤。根據運動目標的質心坐標運動軌跡實現跟蹤。（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型。

2 算法實現

2.1 混合高斯模型建立背景

由于監控區域可能有樹的晃動，人員走動或者其他物體的進入，所以需要對各個高斯分布進行不斷地更新。混合高斯模型(GMM)可分為以下幾部分：

（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型，方差應盡可能大一些，這樣可以融合更多的圖像，使得到的數值更接近真實。

（2）輸入視頻序列圖像。新輸入的圖像每個像素值都經過匹配，以判斷哪些像素屬于背景，哪些屬于前景。像素點判為背景的概率計算如公式（1）所示：

式中，p（Xt）表示Xt的概率是該像素分別屬于k個高斯分布的概率加權和；

k為高斯模型的數量，一般取3～5個；

（3）參數更新。每個新的像素點都要與這k個高斯模型進行匹配，如果匹配成功，則加入該模型；如果匹配失敗，就以該像素的值作為均值建立一個新的高斯分布，并且代替高斯背景模型中權值最小的那個背景模型（即 ω（k，t）/δ（k，t）最小）。

（4）更新背景。將得到的 k 個高斯分布按照 ω（k，t）/δ（k，t）的降序排列，取前H個高斯分布作為新背景。

2.2 背景差分法檢測運動目標

基于混合高斯模型與背景差分法可以檢測到運動目標，利用形態學算法對提取到的結果作進一步的處理，可以得到相對完整的運動目標，結果如圖1所示：

圖1 基于GMM與形態學處理的運動目標檢測結果

圖1(a)為GMM直接輸出的目標圖像，目標的外輪廓不夠完整。圖1（b）為經過處理后的圖像，可以看到車輛外輪廓明顯比圖1(a)要完整，這對進一步的車輛提取有很大幫助。

2.3 多特征篩選

可以利用車輛所在區域相對緊湊的特點，以及車輪具有明顯的圓形特征，設置多特征篩選原則，剔除干擾。

（1）緊湊性檢測

a計算目標的外輪廓線總長L。由于車的材質特性、環境光照條件等因素，使GMM輸出的車輛并不是完全連通的。為了解決該問題，在提取輪廓前先進行形態學濾波處理，然后用該結構元素去腐蝕原圖像，可得到目標的外輪廓線。

b采用形狀描述符的思想計算面積S。將輪廓的像素點匹配到能夠最大程度描述物體外輪廓的橢圓上。在標注的所有橢圓中選擇最大的橢圓進行面積計算，如圖2所示：

圖2 描述目標面積圖

在圖3中標注的大橢圓即為車輛外輪廓線匹配到的邊界，按照橢圓的面積計算公式（3）：

其中a為長軸長，b為短軸長。

c計算緊湊比例

按照公式（4）計算緊湊比例：

（2）Hough 變換檢測圓形

首先將圖像空間的像素點轉換為特征空間中的參數值，然后根據點與線的對應性，將表征同一個圓的點在特征空間里進行累加，最后尋找累加值最大的點即為對應圖像空間中的圓。根據經驗值，設置尋找半徑為13到100，檢測并繪制出所有找到的圓形。

（3）基于緊湊性和Hough變換的判斷準則

由于車輪可能因為拍著角度的問題，造成檢測不到，因此將緊湊性作為第一判斷標準，權重比例設為0.6，車輪代表的特性權重設為0.4。

2.4 目標跟蹤

（1）首先計算目標的質心坐標；

（2）當該坐標進入到ROI的邊界線內時觸發提示信息，警示有目標進入ROI區域；如果坐標沒有進入ROI區域就不做任何操作。

（3）當目標進入ROI后，繼續跟蹤其運動軌跡判斷是否出界，如果目標一直沒有出界，就啟動目標識別應用程序，分析是車輛還是非車輛；如果目標離開了ROI區域，則不做任何操作。

3 實驗結果與分析

本文以兩廂和三廂轎車為例進行研究，轎車的尺寸參數來源于汽車論壇。兩廂轎車的緊湊比例最小值為0.589，最大值為0.782。三廂轎車的緊湊比例最小值為0.553，最大值為0.782。因此，將緊湊比例的閾值范圍設定為0.4～0.8。

以正側面為例展示車輛測試結果，如圖3所示。

圖3 車輛正側面測試圖(緊湊性0.3521)

在車輪的檢測過程中，檢測圓的半徑等參數需要提前設置，因此參數的設置直接影響檢測的結果。因此，自適應的圓形檢測是需要進一步研究的內容。

4 結論

本文針對消防通道等重要通道存在亂停亂放的現象，設計了一種用于禁停區域車輛違章停車的檢測算法。首先確定需要監控的區域，利用GMM背景模型和背景差分法檢測出感興趣區域內的運動對象。經過形態濾波器進一步處理，可以得到較完整的目標圖像。然后綜合考慮車輛的緊湊性和車輪的圓形度兩個方面的特征，進行干擾對象的篩除。最后設計目標跟蹤算法，為目標識別和語音報警做準備。實驗表明，該算法具有良好的監測效果。

［1］盧章平,孔德飛.背景差分與三幀差分結合的運動目標檢測算法[J].計算機測量與控制,2013,21(12):3315-3318.

［2］Stauffer C,Grimson W.Learning Patterns of Activity Using RealtimeTracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):747-757.

［3］Stauffer C,Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2000,22(8):747-757.

［4］王殿海,胡宏宇.李志慧,等.違章停車檢測與識別算法[J].吉林大學學報:工學版,2010,40(1):42-46.

［5］Panpan Zhang,Chunyang Mu,Xing Ma and Fulu Xu.Algorithm of Moving Vehicle Detection by Improved Gaussian Mixture Model Based on ROI[Z].Applied Mechanics and Materials,2015.